锂电池荷电状态门控循环优化估计方法、系统及电子设备

本发明涉及锂电池状态估计，具体为锂电池荷电状态门控循环优化估计方法、系统及电子设备。

背景技术：

1、随着新能源产业的快速发展，锂离子电池凭借循环寿命长、充放电效率高、维护成本低以及可二次利用等优势，在电动汽车、储能电站、便携式电子设备等领域得到了广泛应用。荷电状态（state of charge,soc）作为表征锂电池剩余电量的核心参数，是电池管理系统实现能量管控、充放电保护及故障预警的关键依据，准确可靠的soc估计对于保障锂电池运行安全、延长电池服役寿命、避免过充过放引发的安全事故具有重要意义。

2、然而，锂电池内部电化学反应机理复杂，其soc变化具有强非线性、时变性及耦合性特征，且实际运行过程中易受温度、电流倍率、老化程度等多种因素影响，实现高精度soc估计面临诸多挑战。传统安时计量法计算简便、易于工程实现，但存在误差随时间累积的固有缺陷，长期运行下估计精度难以保障，需频繁进行校准。基于模型驱动的卡尔曼滤波法和粒子滤波法可在含噪声的测量环境下估计soc，但高度依赖等效电路模型的准确度，对测量噪声的统计分布特性要求严格，当电池老化、工况变化时模型适配性差，估计精度会显著下降。

3、基于数据驱动的方法无需依赖精确的电池物理模型，可通过数据学习直接建立输入输出映射关系。其中深度学习方法凭借强大的非线性拟合能力得到广泛应用，门控循环单元等循环神经网络更适合处理时序类soc估计问题。然而现有的基于神经网络的soc估计方法，通常仅对网络权值与偏置进行优化，未协同考虑网络拓扑结构、时序注意力参数的综合影响，易出现过拟合、陷入局部最优等问题，且模型复杂度难以控制，难以兼顾估计精度与计算效率。

技术实现思路

1、第一方面，本发明提出的锂电池荷电状态门控循环优化估计方法，考虑锂电池荷电状态影响因素的时序相关性，构建带输出反馈的门控循环自回归神经网络作为荷电状态估计模型，采用改进博弈优化的元启发式群体智能算法进行模型参数辨识，通过两阶段嵌套迭代实现拓扑参数与权值参数的协同优化，最终实现锂电池实时荷电状态估计。

2、锂电池荷电状态门控循环优化估计方法，包括以下步骤：

3、s1.根据锂电池的参数数据与荷电状态的相关性，确定锂电池荷电状态估计的门控循环单元数量初始值，所述荷电状态估计门控循环单元数量初始值包括输入门控循环单元数量初始值和输出反馈输入门控循环单元数量初始值；

4、s2.构建带输出反馈输入的门控循环自回归神经网络，结合确定的门控循环单元数量初始值，建立锂电池的荷电状态估计门控循环初始模型；

5、s3.采用改进博弈优化算法对荷电状态估计门控循环估计初始模型的模型参数进行协同辨识，得到锂电池的荷电状态估计门控循环辨识模型；

6、s4.获取待估计锂电池的实测参数数据，以实测参数数据为模型输入，以荷电状态为输出反馈输入，通过荷电状态估计门控循环辨识模型估计锂电池的实时荷电状态。

7、优选地，步骤s1包括以下步骤：

8、s11.在设定充放电测试工况下对锂电池进行充放电测试，采集并记录锂电池的参数数据及对应的荷电状态数据；

9、s12.对记录的参数数据及荷电状态数据进行归一化处理；

10、s13.对归一化处理后的参数数据及荷电状态数据进行单位根校验，评估其平稳性，若其不具有平稳性，执行步骤s14，若其具有平稳性，执行步骤s15；

11、s14.对不具有平稳性的参数数据及荷电状态数据进行差分运算，执行步骤s13；

12、s15.对具有平稳性的参数数据进行互相关分析，确定电池参数输入门控循环单元数量初始值；对具有平稳性的荷电状态数据进行自相关分析，确定输出反馈输入门控循环单元数量初始值。

13、优选地，步骤s2包括以下步骤：

14、s21.构建输入门控循环单元初始模型与输出反馈输入门控循环单元初始模型；

15、s22.构建中间层注意力权值计算初始模型；

16、s23.构建输出层神经元初始输出模型。

17、优选地，所述步骤s21中，对于第k个输入门控循环单元，，为电池参数输入门控循环单元数量初始值，所述输入门控循环单元初始输入模型为：

18、

19、式中，为第个输入门控循环单元的输出状态，为第个输入门控循环单元的初始输出权值，为第个输入门控循环单元的输出中间状态；

20、对于第k个输出反馈输入门控循环单元，，为输出反馈输入门控循环单元数量初始值，所述输出反馈输入门控循环单元初始输入模型为：

21、

22、式中，为第个输出反馈输入门控循环单元的输出状态，为第个输出反馈输入门控循环单元的初始输出权值，为第个输出反馈输入门控循环单元的输出中间状态；

23、所述步骤s22中，所述中间层注意力权值计算初始模型采用二值注意力权值，时刻所有门控循环单元的注意力权值向量为：

24、，

25、式中，且，其余注意力权值向量满足：

26、

27、式中，为注意力加权有效阈值初始值；为注意力加权系数；

28、所述步骤s23中，所述输出层神经元初始输出模型为：

29、

30、式中，为锂电池的荷电状态估计门控循环初始模型输出，为输出层神经元对应的激活函数，为输出层神经元的初始偏置，为时刻所有门控循环单元的初始输出与所述输出神经元之间的初始连接权重，运算符“”为哈达玛积运算，为时刻所有门控循环单元的初始输出向量。

31、优选地，步骤s3包括以下步骤：

32、s31.构建改进博弈优化算法的适应度评价函数；

33、s32.设定博弈优化算法的种群结构与迭代规则；

34、s33.采用两阶段嵌套迭代机制对模型参数进行协同优化，直到达到迭代终止条件，得到所述锂电池的荷电状态估计门控循环辨识模型。

35、优选地，所述步骤s31中，所述改进博弈优化算法的适应度评价函数引入模型拓扑参数的加权项，表达式为：

36、

37、式中，为第次迭代时的锂电池的荷电状态估计门控循环辨识模型的时刻模型输出，为所述锂电池的时刻实验荷电状态数据；和分别为第次迭代时各输入门控循环单元和各输出反馈输入门控循环单元数量；为第次迭代时的注意力加权有效阈值，为训练样本时序长度。

38、所述步骤s32中，设定改进博弈优化算法的种群大小为n，每个种群个体为三维向量，对应三类拓扑参数，种群主体包括1个猎物个体和n-1个捕猎者个体，捕猎者个体随机划分为普通捕猎者和精英捕猎者两类，划分规则为：每次迭代时为每个捕猎者生成一个[0,1]范围内的随机数，小于0.5则为普通捕猎者，大于0.5则为精英捕猎者；

39、捕猎者个体随机分为普通捕猎者群体和精英捕猎者群体，猎物个体的迭代模型为：

40、

41、式中，为第次迭代时猎物个体的位置，为搜索方向的符号，当产生一[0,1]之间的随机数小于0.5时，当产生一[0,1]之间的随机数大于0.5时，为常数，为第次迭代时猎物感知的危险强度；

42、危险强度的表达式为：

43、

44、式中，为猎物可感知的捕猎者数量，且，和为两个[0,1]范围内的随机数，为猎物感知到的第个捕猎者个体位置，为个体的维度数，和分别为第次迭代时和的第维元素，为猎物耐力系数，随迭代次数增加而衰减，表达式为，其中c为常数，为最大迭代次数；

45、所述步骤s33中，采用两阶段嵌套迭代机制对模型参数进行迭代搜索，一阶段为外环拓扑参数的博弈优化搜索，二阶段为内环网络权值与偏置的levenberg-marquardt迭代搜索，每次完整的迭代过程均由两个阶段组成；

46、所述迭代终止条件为当所有种群个体的适应度函数最小值小于设定阈值，或迭代次数达到设定的最大迭代次数时，迭代终止，输出最优拓扑参数、对应的最优连接权值与偏置参数，更新模型参数，得到锂电池荷电状态估计门控循环辨识模型。

47、优选地，步骤s4包括以下步骤：

48、s41.根据获得的荷电状态估计门控循环辨识模型的最终拓扑参数，构造电池参数输入量与输出反馈输入量；

49、s42.将电池参数输入量与输出反馈输入量输入荷电状态估计门控循环辨识模型，计算实时荷电状态估计值。

50、优选地，步骤s41中，设定迭代终止时的第次迭代拓扑参数为，其中，为最优输入门控循环单元数量，为最优输出反馈输入门控循环单元数量，构造荷电状态估计门控循环辨识模型时刻的电池参数输入量：

51、

52、式中，为时刻由电压、电流、温度组成的实测参数向量；

53、构造荷电状态估计门控循环辨识模型时刻的输出反馈输入量：

54、

55、式中，为时刻的荷电状态估计值，作为下一时刻的反馈输入。

56、步骤s42中，将输入量与反馈序列输入荷电状态估计门控循环辨识模型，依次计算各输入门控循环单元输出、各输出反馈输入门控循环单元输出、中间层注意力权值，通过输出层得到时刻的荷电状态估计值：

57、

58、式中，上标表示辨识后的最优参数，为荷电状态估计门控循环辨识模型时刻所有门控循环单元的输出向量；为荷电状态估计门控循环辨识模型时刻的注意力权值向量。

59、第二方面，本发明提供的锂电池荷电状态门控循环优化估计系统，包括：

60、门控循环单元数量初始值确定模块：被配置为根据锂电池的参数数据与荷电状态的相关性，确定锂电池荷电状态估计的门控循环单元数量初始值；

61、荷电状态估计初始模型构建模块：被配置为构建带输出反馈输入的门控循环自回归神经网络，结合确定的门控循环单元数量初始值，建立锂电池的荷电状态估计门控循环初始模型；

62、荷电状态模型辨识模块：被配置为采用改进博弈优化算法对荷电状态估计初门控循环估计初始模型的模型的模型参数进行协同辨识，得到锂电池的荷电状态估计门控循环辨识模型；

63、荷电状态实时估计模块：被配置为采集待估计锂电池的实测参数数据，以实测参数数据为模型输入，以荷电状态为输出反馈输入，通过荷电状态估计门控循环辨识模型估计锂电池的实时荷电状态；

64、还包括通信连接的锂参数数据采集装置和处理器；

65、所述锂电池参数数据采集装置用于采集锂电池的电压、电流、温度参数数据；

66、所述处理器被配置为执行上述的锂电池荷电状态门控循环优化估计方法。

67、第三方面，本发明提供的一种电子设备，包括存储器和处理器，以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，执行权利要求1-8任一项所述的方法的步骤。

68、采用了上述技术方案后，本发明的有益效果是：

69、1.本发明实施例提供的锂电池荷电状态门控循环优化估计方法，考虑锂电池荷电状态影响因素的时序相关性，构建带输出反馈的门控循环自回归神经网络作为荷电状态估计模型，采用改进博弈优化的元启发式群体智能算法进行模型参数辨识，通过两阶段嵌套迭代实现拓扑参数与权值参数的协同优化，最终实现锂电池实时荷电状态估计。

70、2.本发明实施例提供的锂电池荷电状态门控循环优化估计方法，构建带输出反馈的门控循环自回归神经网络，充分考虑锂电池soc的时序相关性，通过输入支路与反馈支路的双路门控循环单元捕捉参数时序依赖关系，契合锂电池soc演化的动态特性，提升了估计模型对复杂工况的适应能力。

71、3.本发明实施例提供的锂电池荷电状态门控循环优化估计方法，改进博弈优化算法的适应度评价函数，考虑输入/输出时序相关性、注意力权值等拓扑参数的加权影响，通过两阶段嵌套迭代机制实现网络拓扑结构与权值偏置的协同辨识，能够在降低所述锂电池荷电状态门控循环估计辨识模型复杂度的同时，提升锂电池荷电状态估计精度。

72、4.本发明实施例提供的锂电池荷电状态门控循环优化估计方法，采用外环博弈优化拓扑参数、内环lm算法优化权值偏置的嵌套迭代机制，实现模型拓扑参数与神经网络权值参数的协同辨识优化，有效避免单一权值优化易陷入局部最优的问题，显著提升soc估计精度，同时降低模型计算复杂度，提升工程实用性。

73、5.本发明实施例提供的锂电池荷电状态门控循环优化估计方法，基于博弈优化算法，区分普通捕猎者与精英捕猎者的迭代策略，结合精英捕猎者的竞争强度感知机制，增强了算法的全局搜索能力，有效避免传统神经网络训练易陷入局部最优的问题，提升了参数辨识的稳定性。